XiaoMi-AI文件搜索系统
World File Search Systemconvolutional
克服肺癌和结直肠癌的抗药性
运动图像（MI）是指动作的心理排练而没有实际的身体执行（Pfurtscheller and Neuper，2001）。此过程包括回忆过去的动作和想象未来的动作。监测感觉运动节奏（SMR）表明MI诱导事件相关的同步（ERS）和事件相关的DENCHRONIANION（ERD）。这标志着它是一个积极唤起的脑电信号（Grandchamp and Delorme，2011年）。运动成像脑电图（MI-EEG）信号广泛用于康复医学中，以支持恢复受损的运动功能。这些信号的关键优势是它们可以自主激活与运动相关的大脑区域而不依赖外部刺激。运动成像脑机构界面（MI-BCI）系统已应用于一系列医学和非医学领域。在医学中，MI-BCI的应用包括中风康复，假体控制，轮椅导航，心理疗法和认知训练（Khan等，2020）。除了医疗应用之外，MI-BCI系统还用于车辆和无人机控制，游戏，技能开发和虚拟现实。
loc-net：快速视觉位置识别的本地化卷积尖峰神经网络
4美国加利福尼亚州斯坦福大学的神经外科系，5神经科学计划，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana，伊利诺伊州Urbana，美国伊利诺伊州伊利诺伊州乌尔巴纳大学的人工智能创新中心，6，伊利诺伊州工程学院，伊利诺伊州，伊利诺伊州乌里诺斯大学，伊利诺伊州乌里诺斯·塞拉纳，工程学院。伊利诺伊州Urbana-Champaign，伊利诺伊州乌尔巴纳大学，伊利诺伊州乌尔巴纳大学工程学，机械科学与工程学，美国伊利诺伊州乌尔巴纳 - 欧巴纳大学分子与综合生理学系8伊利诺伊州乌尔巴纳，美国4美国加利福尼亚州斯坦福大学的神经外科系，5神经科学计划，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana，伊利诺伊州Urbana，美国伊利诺伊州伊利诺伊州乌尔巴纳大学的人工智能创新中心，6，伊利诺伊州工程学院，伊利诺伊州，伊利诺伊州乌里诺斯大学，伊利诺伊州乌里诺斯·塞拉纳，工程学院。伊利诺伊州Urbana-Champaign，伊利诺伊州乌尔巴纳大学，伊利诺伊州乌尔巴纳大学工程学，机械科学与工程学，美国伊利诺伊州乌尔巴纳 - 欧巴纳大学分子与综合生理学系8伊利诺伊州乌尔巴纳，美国
新兴股票市场分析的卷积深钢筋学习体系结构
在复杂而充满活力的股票市场格局中，投资者试图优化收益，同时与价格波动相关的微型风险。已经提出了各种创新方法，以通过考虑历史趋势和社会因素来实现高利润。尽管取得了进步，但预测市场动态仍然是一个持续的挑战。这项研究介绍了一种新颖的深入增强学习（DRL）体系结构，以有效地预测股票市场的回报。与需要手动功能工程的传统方法不同，拟议的模型利用卷积神经网络（CNN）直接处理每日股票价格和财务指标。该模型通过用卷积层替换传统的Q-表，解决了培训期间过度拟合和数据稀缺问题。优化过程最小化了平方误差的总和，从而提高了词典的准确性。实验评估证明了该模型的鲁棒性，在短期和长期视野中，在买卖策略上实现了67％的方向准确性。这些发现强调了该模型在浏览复杂市场环境中的适应性和有效性，从而在财务预测方面取得了重大进步。
反卷积网络在癫痫检测中的特征可解释性应用
大脑中不规则的电活动会导致人的行为、运动、感官体验和对周围环境的意识发生深刻而暂时的变化（Nasiri 和 Clifferd，2021 年）。在早期阶段识别和治疗癫痫对患有这种疾病的人来说可以带来关键而有价值的变化。头皮脑电图 (EEG) 是一种测量大脑电活动的非侵入性技术，是诊断癫痫的广泛使用的补充检查（Liang 等人，2020 年）。在癫痫发作期间，患者的脑电图将显示出明显的异常模式（Staba 等人，2014 年）。医生可以通过检查脑电图来帮助确定是否发生癫痫。然而，审查长期脑电图需要医生投入大量的时间和精力。因此，开发自动癫痫检测算法至关重要（Si 等人，2023 年）。研究人员正积极致力于开发利用脑电图数据自动检测癫痫发作的方法。从最初使用硬件电路的尝试到后来利用时域信息和基于阈值的方法进行癫痫发作检测。后续发展涉及使用频域特征和提取时频特征（Xia 等人，2015 年）进行癫痫发作检测。自引入以来，深度学习模型在计算机视觉任务中比手动提取的特征更具弹性（Chen 等人，2024 年）、语音识别（Eris and Akbal，2024 年）和自然语言处理（Luo 等人，2024 年）。因此，利用深度学习技术自动使用脑电图信号检测癫痫发作已显示出在做出最合适和最快临床决策方面具有重大前景（Ahmad 等人，2023 年）。近几年来，各种深度学习模型已用于癫痫发作检测，包括循环神经网络（Tuncer 和 Bolat，2022 年）、生成对抗网络（Rasheed 等人，2021 年）、深度神经网络（Liu 和 Richardson，2021 年）、分层神经网络（Hu 等人，2021 年）和卷积神经网络。这些模型取得了令人鼓舞的结果（Kaur 等人，2022 年）。卷积网络在逐像素进行端到端训练后，性能得到了进一步提升。随着全卷积网络 (FCN) 的引入，神经网络设计可以处理不同大小的输入，并通过高效的推理和学习机制产生相应大小的输出（Chou 等人，2023 年）。然而，FCN 尚未广泛应用于癫痫发作检测。同时，以往的深度学习算法往往忽略了不同通道对分类任务的贡献，导致模型的可解释性有限。针对上述问题，本文提出了一种基于深度学习的独立癫痫检测算法。算法可以从多通道脑电图数据中自主提取时间和空间信息，从而能够精确识别不同患者的癫痫发作事件。本文做出了几个关键贡献，包括：λ 提出了一种结合 SE（挤压和激励）模块的 CNN 模型检测算法。该方法已在 CHB-MIT 数据集上进行了评估，并取得了优异的性能。λ 首次将 FCN 模型中的上采样方法应用于癫痫发作检测，通过利用反卷积实现，将降尺度的图像从
卷积神经网络与视觉变压器
©作者2025。Open Access本文在创意共享属性下获得许可 - 非商业 - 非洲毒素4.0国际许可证，该许可允许以任何中等或格式的任何非商业用途，共享，分发和复制，只要您与原始作者提供适当的信誉，并为您提供了符合创造性共识许可的链接，并提供了持有货物的启动材料。您没有根据本许可证的许可来共享本文或部分内容的适用材料。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问h t p：//c r e a t i v e c o m m o ns。or g/l i c e n s e s/b y-n c-n c-n c-n d/4。0/。
卷积神经网络的比较分析
摘要 EEG（脑电图）信号可用于判断患者是否会癫痫发作。事实证明，EEG 在癫痫发作的早期检测中至关重要。为了使用 EEG 信号检测癫痫发作，已经开发了几种机器学习模型。然而，其他人声称传统的基于规则的方法同样有效。本研究旨在反驳这一说法，并比较基于规则的技术和机器学习方法的性能。由于神经网络与人脑非常相似，因此被选为机器学习方法。数据集来自开源、免费使用的坦普尔大学医院异常 (TUAB) EEG 语料库。在使用两种方法对数据进行训练和测试后，基于规则的技术的准确率为 85.16%，而神经网络技术的准确率为 98.91%。
b'摘要\xe2\x80\x94准确估计充电状态 (SOC) 对于储能应用中电池管理系统 (BMS) 的有效和相对运行至关重要。本文提出了一种结合卷积神经网络 (CNN)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 的新型混合深度学习模型，该模型结合了 RNN 模型特征和电压、电流和温度等非线性特征的时间依赖性，以与 SOC 建立关系。时间依赖性和监测信号之间的复杂关系源自磷酸铁锂 (LiFePO4) 电池的 DL 方法。所提出的模型利用 CNN 的特征提取能力、GRU 的时间动态建模和 TCN 序列预测强度的长期有效记忆能力来提高 SOC 估计的准确性和鲁棒性。我们使用来自 In\xef\xac\x82ux DB 的 LiFePO4 数据进行了实验，经过处理，并以 80:20 的比例用于模型的训练和验证。此外，我们将我们的模型的性能与 LSTM、CNN-LSTM、GRU、CNN-GRU 和 CNN-GRU-LSTM 的性能进行了比较。实验结果表明，我们提出的 CNN-GRU-TCN 混合模型在 LiFePO4 电池的 SOC 估计方面优于其他模型。'
b'摘要\xe2\x80\x94准确估计充电状态 (SOC) 对于储能应用中电池管理系统 (BMS) 的有效和相对运行至关重要。本文提出了一种结合卷积神经网络 (CNN)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 的新型混合深度学习模型，该模型结合了 RNN 模型特征和电压、电流和温度等非线性特征的时间依赖性，以与 SOC 建立关系。时间依赖性和监测信号之间的复杂关系源自磷酸铁锂 (LiFePO4) 电池的 DL 方法。所提出的模型利用 CNN 的特征提取能力、GRU 的时间动态建模和 TCN 序列预测强度的长期有效记忆能力来提高 SOC 估计的准确性和鲁棒性。我们使用来自 In\xef\xac\x82ux DB 的 LiFePO4 数据进行了实验，经过处理，并以 80:20 的比例用于模型的训练和验证。此外，我们将我们的模型的性能与 LSTM、CNN-LSTM、GRU、CNN-GRU 和 CNN-GRU-LSTM 的性能进行了比较。实验结果表明，我们提出的 CNN-GRU-TCN 混合模型在 LiFePO4 电池的 SOC 估计方面优于其他模型。'
基于光学相干断层扫描与卷积神经网络相结合的体内皮肤表面粗糙度的估计
人类皮肤的质地受外部和内部因素的影响，皱纹的变化最直接反映了皮肤的状态。皮肤粗糙度主要用于量化皮肤的皱纹特征。因此，对皮肤粗糙度的有效定量在护肤，医疗和产品开发中至关重要。本研究提出了一种使用光学相干断层扫描（OCT）与卷积神经网络（CNN）结合的方法来估计皮肤表面粗糙度的方法。通过粗糙度标准板验证了所提出的算法。然后，实验结果表明，包括算术平均粗糙度和粗糙度在内的皮肤表面粗糙度取决于年龄和性别。基于OCT的建议方法的优点是，它可以降低皮肤表面自然曲率对粗糙度的影响。此外，该方法与表皮厚度和皮肤衰减系数结合在一起，用于皮肤特征的多参数表征。它可以看作是理解老化过程并制定维护和增强皮肤健康和外观的策略的潜在工具。
增强医疗保健推荐：深度卷积神经网络中的迁移学习用于阿尔茨海默病检测
阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 等神经退行性疾病会严重影响大脑功能和认知。先进的神经成像技术，尤其是磁共振成像 (MRI)，通过检测结构异常在诊断这些疾病方面发挥着至关重要的作用。这项研究利用以大量 MRI 数据而闻名的 ADNI 和 OASIS 数据集来开发用于检测 AD 和 MCI 的有效模型。该研究进行了三组测试，比较了多个组：多类分类（AD vs. 认知正常 (CN) vs. MCI）、二元分类（AD vs. CN 和 MCI vs. CN），以评估在 ADNI 和 OASIS 数据集上训练的模型的性能。对这两个数据集都应用了高斯滤波、对比度增强和调整大小等关键预处理技术。此外，还利用 U-Net 进行颅骨剥离，通过去除颅骨来提取特征。研究了几种著名的深度学习架构，包括 DenseNet-201、EfficientNet-B0、ResNet-50、ResNet-101 和 ResNet-152，以识别与 AD 和 MCI 相关的细微模式。采用迁移学习技术来提高模型性能，利用预训练数据集来改进阿尔茨海默氏症 MCI 检测。ResNet-101 与其他模型相比表现出色，在涵盖 AD、CN 和 MCI 的多类分类任务中，在 ADNI 数据集上实现了 98.21% 的准确率，在 OASIS 数据集上实现了 97.45% 的准确率。它在区分 AD 和 CN 的二元分类任务中也表现良好。ResNet-152 在 OASIS 数据集上 MCI 和 CN 之间的二元分类方面表现尤为出色。这些发现强调了深度学习模型在准确识别和区分神经退行性疾病方面的实用性，展示了它们在增强临床诊断和治疗监测方面的潜力。
使用卷积神经网络
对数字通信网络的日益依赖使信息安全成为全球个人，组织和政府的关键问题（Chen等，2011）。但是，这种提高的连通性也导致了各种网络威胁，中间人（MITM）的攻击是网络攻击的破坏形式（Disha＆Waheed，2022; Zahara et al。，2020）。在MITM攻击中，攻击者拦截并改变了两方之间的通信，通常是在不知情的情况下。检测MITM攻击是由于其隐形性和攻击者采用的复杂方法而复杂的。传统的MITM攻击检测方法通常难以准确识别复杂的攻击，并将其与合法的网络行为区分开。现有的检测MITM攻击的技术主要依赖于分析网络流量模式和检测异常（Ahmad等，2020）。但是，这些方法通常在准确识别微妙而复杂的攻击模式中面临局限性，从而导致假阳性或假否定性增加。